k-anonymitet

i statistik: mått på effektiviteten i pseudonymisering av data. – En förteckning av personuppgifter är k‑anonym om varje kombination av data i förteckningen förekommer minst k gånger. k står i varje konkret fall för en bestämd siffra. – Pseudonymisering används till exempel i statistisk analys av medicinska data. Innan vårdgivaren lämnar ut medicinska data för analys avlägsnas data som identifierar patienterna. Det är ofta uppenbart att det inte räcker med att ta bort uppgifter som direkt identifierar patienten, som namn och personnummer. En kombination av andra uppgifter, som var för sig inte är unika, kan räcka för att särskilja en person – se kvasiidentifierare och perturbation. Till exempel kanske kombinationen ålder, kön, yrke, bostadsort, antal barn. För att pseudonymiseringen ska bli effektiv måste man avlägsna så mycket information att varje kombination av egenskaper i förteckningen förekommer flera gånger – alltså passar in på flera personer. Man kan också generalisera egenskaper: i stället för att ange födelseår kan man ange födelsedecennium; i stället för bostadsort anger man län. Om varje kombination av egenskaper i tabellen passar på minst sju personer är tabellen 7‑anonymiserad, om varje kombination passar på minst elva personer är den 11‑anonymiserad. Och så vidare. – På engelska: k‑anonymity, k‑anonymization.

[personuppgifter] [statistik] [ändrad 10 november 2018]

kvasiidentifierare

i statistik: kombination av uppgifter som räcker för att identifiera en enda specifik person, men som inte är namn, personnummer eller liknande. Det är en sammanställning av attribut som passar på enbart en individ. Men var och en för sig räcker inte egenskaperna för att identifiera någon. – Exempel: 55‑årig sjuksköterska, gift, tre barn, bosatt i villa i namngiven kommun, ägare till en Subaru Forrester. Eventuellt kan termen kvasiidentifierare användas om information som identifierar ett fåtal personer ur ett stort antal. Se också k‑anonymitet och perturbation. – På engelska: quasi‑identifier.

[personuppgifter] [statistik] [ändrad 10 november 2018]

utstickare

(outlier) – i statistik: ett värde som kraftigt avviker från de andra i en datamängd. Avvikelsen kan bero på ett fel eller ha rimliga orsaker. – Exempel: om alla familjer i ett bostadsområde uppges ha en årsinkomst på under 500 000 kronor, utom en familj som tjänar tio gånger så mycket, kan det vara korrekta värden. Men om det står att alla tioåriga barn i området är under 160 centimeter långa, utom ett barn, som är tre meter, är det säkert fel. – I statistisk analys utesluter man ibland utstickande värden. Bortsett från att de kan vara uppenbart fel kan de påverka medelvärden på ett missvisande sätt (jämför med median). – Outlier detection, utstickardetektion eller avvikardetektion, är användning av metoder, ofta automatiska, för att upptäcka utstickare. – Direktöversättningen utliggare förekommer, men den bör av två skäl inte användas: dels låter det likt uteliggare, dels heter det inte att avvikande värden ligger ut – de sticker ut.

[statistik] [ändrad 11 juni 2020]

irisdatamängden

(the iris flower data setFisher’s iris data set eller Anderson’s iris data set) – en datamängd som ofta används för testning av program för statistisk analys och klassificering. Det är en systematisk samling uppgifter om tre arter av blomman iris, insamlad och sammanställd på 1930‑talet av den amerikanska botanisten Edgar Anderson (se Wikipedia). Den brittiska biologen och statistikern Ronald Fisher (se Wikipedia) an­vände datamängden 1936 i en artikel om statistisk analys. Ända sedan dess har irisdatamängden använts i undervisning och testning, oftast utan minsta anknytning till botanik. – Irisdatamängden finns för ner­ladd­ning på denna länk.

[analys] [statistik] [ändrad 11 juni 2020]

normalisering

  1. – normalization – om relationsdatabaser – att se till att en relationsdatabas är väl utformad. Den ska undvika dubblering av information, vara lätt att göra ändringar i (man ska bara behöva ändra på ett ställe) och lätt att göra sökningar i (man ska kunna förutse var information finns). – Ett krav är att varje tabell ska innehålla minst en nyckel, det vill säga ett värde som entydigt identifierar varje rad (till exempel personnummer i ett personregister): i varje tabell ska det alltså finnas minst en kolumn där samma värde inte får förekomma två gånger
  2. – när det gäller statistik är normalisering att göra värden jämförbara, till exempel att se till att allt material räknas om till samma måttenheter och att tidsperioder (till exempel räkenskapsår) sammanfaller. – En form av normalisering är formatanpassning (canonicalization).

[databaser] [statistik] [ändrad 4 september 2018]

median

i statistik: värdet i mitten – om man sorterar alla värden i ett statistiskt material i storleksordning så är medianen det värde som står i mitten. Om talserien innehåller ett jämnt antal värden är medianen medelvärdet av de två värdena i mitten. – Medianen är mest belysande när det gäller ojämnt fördelade värden, till exempel 1,1,2,2,9: medianen är 2. Detta kan säga mycket (särskilt i mycket större talserier), eftersom genomsnittet (2,5) dels inte ingår, dels förskjuts av ett enstaka utstickande värde (9). Ett praktiskt exempel är bedömning av inkomsterna i ett bostadsområde: om det finns 99 låginkomsttagare och en miljardär hamnar medelinkomsten i området på en nivå som inte motsvarar någons faktiska inkomst. Tar man i stället medianinkomsten får man ett mer representativt värde som inte påverkas av miljardärens inkomst. – Om man har värden som inte går att sortera i storleksordning kan man i stället ta typvärdet.

[statistik] [ändrad 11 september 2019]